Le jury sera composé de :
- Antoine Doucet, Professeur des Universités, La Rochelle Université
- Ioana Galleron, Professeure des Universités, Sorbonne Nouvelle
- Carmen Brando, Ingénieure de Recherches, EHESS
- Andrea Del Lungo, Professeur des Universités, Sorbonne Université
- Elena Pierazzo, Professeure des Universités, Université de Tours
- Glenn Roe, Professeur des Universités, Sorbonne Université (directeur)
- Gaël Lejeune, Maı̂tre de Conférences HDR, Sorbonne Université (co-encadrant)
- Motasem Alrahabi, Ingénieur de Recherches, Sorbonne Université (co-encadrant)
Mots clés : Reconnaissance des entités nommées, Reconnaissance optique de caractères, Données bruitées, Humanités numériques
Résumé :
L’identification des noms de lieux, de personnes ou d’organisations appelée reconnaissance d’entités nommées (REN) s’appuie sur des versions numériques des textes. Lorsqu’il s’agit de textes imprimés, dans notre cas de romans du XIXᵉ siècle, les contenus sont transcrits à partir d’images d’ouvrages grâce à des outils de reconnaissance optique de caractères (OCR). Les systèmes d’OCR gratuits et open source, même s’ils connaissent des améliorations de leur performance, génèrent encore des erreurs ou contaminations, comme des lettres manquantes, substituées ou ajoutées. Ces contaminations compliquent l’analyse, peuvent fausser les résultats et sont difficiles à évaluer.
Cependant, les chercheur·se·s utilisent parfois ces textes imparfaits pour avoir une idée rapide des grandes tendances d’un corpus. La question importante est alors : ces contaminations empêchent-elles vraiment l’élaboration d’analyses fiables ?
Pour répondre à cette question, des outils de REN ont été testés sur des textes obtenus par OCR et comparés à des versions propres des mêmes textes, dans trois langues différentes. Les résultats montrent que les erreurs ne viennent pas seulement de la qualité des données (les textes OCR), mais aussi des modèles REN eux-mêmes. Fait surprenant : même des entités mal orthographiées peuvent parfois être détectées correctement.
Ainsi, les problèmes de REN, comme la non-détection d’un nom de lieu ou la détection d’un mot qui ne désigne pas un lieu, ne sont pas uniquement dus aux erreurs de transcription et cela pourrait permettre des analyses même sur des corpus imparfaits, tout en soulignant les limites actuelles des outils de REN. Enfin, nous avons évalué l’efficacité de plusieurs stratégies pour le filtrage des entités nommées reconnues sur des textes OCR. Nous les avons combinées dans une chaîne de traitement qui prend en charge l’OCR, la REN, la représentation sur une carte des entités nommées de lieux, tout en aidant l’utilisateur·ice à filtrer les données extraites.
Caroline Koudoro-Parfait